System Identification Toolbox
Die System Identification Toolbox™ stellt MATLAB®-Funktionen, Simulink®-Blöcke und eine App für die dynamische Systemmodellierung, für Zeitreihenanalysen und für Prognosen zur Verfügung. Sie können dynamische Beziehungen zwischen gemessenen Variablen erkennen, um zeitkontinuierliche oder zeitdiskrete Transferfunktionen, Prozessmodelle und Zustandsraummodelle zu erstellen, während Sie Zeit- oder Frequenzdomänendaten verwenden. Sie können mithilfe von AR, ARMA und anderen linearen sowie nicht linearen autoregressiven Modellierungstechniken Zeitreihendaten vorhersagen.
Die Toolbox ermöglicht Ihnen die Schätzung nicht linearer Systemdynamik mithilfe von Hammerstein-Wiener- und nichtlinearen ARX-Modellen mit Machine-Learning-Techniken wie Gaußschen Prozessen (GP), Support Vector Machines (SVM) und anderen Darstellungen. Alternativ können Sie neuronale Ordinary-Differential-Equation(ODE)-Modelle (gewöhnliche Differenzengleichungsmodelle) erstellen, um mithilfe von Deep Learning nicht lineare Systemdynamiken zu erfassen. Die Toolbox ermöglicht Ihnen die Ausführung einer Grey-Box-Systemidentifikation zum Schätzen von Parametern eines benutzerdefinierten Modells. Für schnelle Simulationen können Sie identifizierte Modelle in Simulink integrieren, um Anwendungen für Steuerungsentwicklung, Diagnosen und Vorhersagen erstellen zu können.
Sie können Online-Schätzungen für Parameter und Zustände ausführen und dafür erweiterte oder unscented Kalman-Filter und Partikelfilter für adaptive Steuerungs-, Fehlererkennungs- und Softsensoranwendungen verwenden. Mit der Toolbox können Sie Code in den Programmiersprachen C/C++ für Online-Schätzalgorithmen erstellen, um sie auf Embedded-Geräten zu implementieren.
Erste Schritte mit der System Identification Toolbox
Lernen Sie die Grundlagen von System Identification Toolbox
Datenvorbereitung
Plotten, Analysieren, Trendbereinigen und Filtern von Zeit- und Frequenzdomänendaten, Generieren und Importieren von Daten
Identifikation linearer Modelle
Identifizieren von Impulsantwort- und Frequenzgangmodellen sowie parametrischen Modellen wie linearen Zustandsraum- und Transferfunktionsmodellen
Identifikation nicht linearer Modelle
Identifizieren nicht linearer ARX-, Hammerstein-Wiener-, Grey-Box und neuronaler Zustandsraummodelle
Grey-Box-Modellschätzung
Schätzen von Koeffizienten linearer und nichtlinearer Differenzial-, Differenz- und Zustandsraumgleichungen
Modellvalidierung
Vergleichen von Modellen mit gemessenem Ausgang, Residuenanalyse, Antwortdiagramme mit Konfidenzgrenzen
Modellanalyse
Diskretisieren von Modellen, Konvertieren von Modellen in andere Typen, Linearisieren nicht linearer Modelle, Simulieren und Prognostizieren der Ausgabe
Zeitreihenanalyse
Analysieren von Zeitreihendaten durch Identifizierung linearer und nichtlinearer Modelle wie AR-, ARMA-, Zustandsraum- und Grey-Box-Modellen, Durchführen von Spektralanalysen und Prognostizieren von Modellausgängen
Online-Schätzung
Schätzen von Modellparametern und Zuständen während dem Systembetrieb, Codegenerierung und Bereitstellung für eingebettete Ziele